联合测试样本:伪参考图像质量评估
探索基于 transformer 的全参考图像质量评估模型的性能,并提出了一种基于半监督知识蒸馏的 IQA 方法,使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中,我们的方法取得了竞争力的结果。
Apr, 2022
本论文提出了一种新的图像质量评估框架,采用细粒度网络获取多尺度特征,并设计一种交叉减法块用于在正负图像对内分离和收集信息,从而实现特征空间中的图像比较。实验结果表明,相比目前主流的图像质量评估方法,该网络可以实现更准确的图像质量评估,并在 CLIC 的图像感知模型赛道中排名第二。
Jan, 2024
通过端到端优化特征工程和质量回归,盲目的图像质量评估(BIQA)模型的性能得到了显著提高。然而,由于实验室模拟的图像和野外拍摄的图像之间的分布偏移,仅在具有合成失真的数据库上训练的模型在处理现实失真方面仍然特别薄弱(反之亦然)。为应对跨失真场景的挑战,我们开发了一个 “统一” 的 BIQA 模型,并采用一种同时用于合成和真实失真的训练方法。
May, 2020
本文提出了一种混合专家方法来进行自动感知图像质量评估,使用 Re-IQA 框架训练两个独立的编码器来学习高级和低级图像特征,并使用得到的图像表示来训练线性回归模型以提高评估准确性。实验表明,深度神经网络在无监督设置下训练可以产生具有感知相关性的表示。
Apr, 2023
基于检索相似的图像实例来评估图像质量的无回归框架,包含语义分类模块和畸变分类模块,根据语义和畸变相似度检索多个图像实例并聚合主观质量评分,验证实验表明该模型显著优于基于回归的模型。
Jul, 2023
本文提出了一种利用半监督和正无标记学习方法来提高无标签数据质量检测表现的方法,通过动态生成伪 MOS,结合全参考图像质量评估和空间注意力机制来处理 GAN 模型带来的误配问题。在多项数据集实验中表现良好。
Apr, 2022
本文提出了一种基于感知的数字图像质量评估方法 —— 无参考感知图像质量指数(PIQI),来评估数字图像的质量。通过计算多个尺度和颜色空间中的亮度、梯度统计信息以及均值减法对比规范化乘积,将这些提取出的特征提供给高斯过程回归(GPR)的堆叠集成模型进行质量评估,并在六个基准数据库上评估其性能并与其他方法进行比较,结果表明 PIQI 能够达到竞争水平。
May, 2023
通过卷积神经网络,构建了一种显式容忍纹理重采样的完全参考图像质量模型,利用纹理相似度和结构相似度结合来优化图像质量评估,在现有的数据库和纹理数据库上都表现出了具有竞争力的性能。
Apr, 2020
通过深度学习技术和分解表示学习方法,该研究提出了一种新的质量预测模型 DisQUE,并展示了其在图像处理任务和 HDR 色调映射中的应用。
Apr, 2024